論文の概要: $\nabla$-SDF: Learning Euclidean Signed Distance Functions Online with Gradient-Augmented Octree Interpolation and Neural Residual

• arxiv url: http://arxiv.org/abs/2510.18999v1
• Date: Tue, 21 Oct 2025 18:24:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.44087
• Title: $\nabla$-SDF: Learning Euclidean Signed Distance Functions Online with Gradient-Augmented Octree Interpolation and Neural Residual
• Title（参考訳）: $\nabla$-SDF: Gradient-Augmented Octree Interpolation and Neural Residualを用いたユークリッド符号付き距離関数のオンライン学習
• Authors: Zhirui Dai, Qihao Qian, Tianxing Fan, Nikolay Atanasov,
• Abstract要約: $nabla$-SDFは、勾配拡大オクツリーから得られた明示的な先行と暗黙の神経残基を組み合わせたハイブリッド手法である。 提案手法は,計算効率とメモリ効率を比較検討し,ニューラルネットワーク手法に匹敵する微分可能性,精度を向上する。
• 参考スコア（独自算出の注目度）: 6.772832523044964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimation of signed distance functions (SDFs) from point cloud data has been shown to benefit many robot autonomy capabilities, including localization, mapping, motion planning, and control. Methods that support online and large-scale SDF reconstruction tend to rely on discrete volumetric data structures, which affect the continuity and differentiability of the SDF estimates. Recently, using implicit features, neural network methods have demonstrated high-fidelity and differentiable SDF reconstruction but they tend to be less efficient, can experience catastrophic forgetting and memory limitations in large environments, and are often restricted to truncated SDFs. This work proposes $\nabla$-SDF, a hybrid method that combines an explicit prior obtained from gradient-augmented octree interpolation with an implicit neural residual. Our method achieves non-truncated (Euclidean) SDF reconstruction with computational and memory efficiency comparable to volumetric methods and differentiability and accuracy comparable to neural network methods. Extensive experiments demonstrate that \methodname{} outperforms the state of the art in terms of accuracy and efficiency, providing a scalable solution for downstream tasks in robotics and computer vision.
• Abstract（参考訳）: ポイントクラウドデータから署名された距離関数(SDF)の推定は、ローカライゼーション、マッピング、モーションプランニング、制御など、多くの自律性に効果があることが示されている。 オンラインおよび大規模SDF再構成をサポートする手法は、SDF推定の連続性と微分可能性に影響を与える離散的なボリュームデータ構造に依存する傾向にある。 近年、暗黙的な特徴を用いて、ニューラルネットワーク手法は高忠実度で微分可能なSDF再構成を実証しているが、効率が悪く、大規模な環境で破滅的な記憶と記憶の制限を経験し、しばしば切り捨てられたSDFに制限される。 この研究は、勾配拡大オクツリー補間から得られる明示的な先行と暗黙のニューラル残差を組み合わせたハイブリッド手法である$\nabla$-SDFを提案する。 提案手法は,計算・メモリ効率を容積法に匹敵する計算・メモリ効率と,ニューラルネットワーク法に匹敵する微分可能性・精度で,非停止型(ユークリッド型)SDF再構成を実現する。 大規模な実験により、‘methodname{}’は、ロボット工学やコンピュータビジョンにおいて、ダウンストリームタスクのためのスケーラブルなソリューションを提供する、正確性と効率の観点から、最先端技術よりも優れていることが証明された。

関連論文リスト

• Learning functions through Diffusion Maps [0.6768558752130311]
  我々は、多様体仮説に基づいて拡散マップフレームワークを構築した。 距離行列の低ランク構造に基づく次元減少戦略を導入する。 オンライン更新機構は、新しいデータの効率的な取り込みを可能にする。
  論文  参考訳（メタデータ） (2025-09-03T22:57:33Z)
• Residual Neural Terminal Constraint for MPC-based Collision Avoidance in Dynamic Environments [3.301014121088537]
  本稿では,学習に基づく安全集合の近似を用いたハイブリッドMPCローカルプランナを提案する。 我々は,HJ値関数が対応する符号距離関数(SDF)と非負残関数の差として表現できるという特性を利用する。 残余成分は、非負の出力を持つニューラルネットワークとしてモデル化され、計算されたSDFから減算され、結果として、設計上、SDFと同じくらい安全である実時間値関数の推定結果が得られる。
  論文  参考訳（メタデータ） (2025-08-05T13:17:13Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Learning Scene-Level Signed Directional Distance Function with Ellipsoidal Priors and Neural Residuals [17.51160139116379]
  最近の研究は、ニューラルネットワークを用いて学習した占有率、符号付き距離、放射率の暗黙的な連続表現が、再構成の忠実性、効率、微分可能性に利点をもたらすことを示している。 本研究では,符号付き距離関数(SDDF)と呼ばれる符号付き距離の方向定式化について検討する。 SDDFは、再現精度とレンダリング効率の観点から、最先端のニューラル暗黙のシーンモデルと競合することを示す。
  論文  参考訳（メタデータ） (2025-03-25T21:01:05Z)
• Heterogenous Memory Augmented Neural Networks [84.29338268789684]
  ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。 学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。 In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
  論文  参考訳（メタデータ） (2023-10-17T01:05:28Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。